Thèse soutenue par Michele Volpi le 26 août 2013, Centre de recherche sur l’environnement terrestre (CRET)
Le nombre de satellites consacré à l’observation de la Terre est en croissance continue. En conséquence, une énorme quantité de données d’imagerie permettant d’étudier la surface du globe, ses modifications et suivre son évolution, est disponible. L’exploitation conjointe des images de télédétection satellitaire ou aéroporté acquises sur une base journalière et de celles présentes dans les archives permettent donc un suivi détaillé des transformations survenant à la surface de la Terre. Les modifications dans la couverture du sol engendrent des divergences dans l’information spectrale, qui peuvent être détectées par l’analyse d’images de télédétection. Indépendamment de l’origine de l’image ou du type de changement au sol, le traitement de ce type de données, aboutissant à une carte à référence spatiale des changements survenus à la surface de la Terre, implique l’utilisation de méthodes flexibles et robustes, ainsi qu’une prise en compte précise des relations statistiques complexes qui caractérisent ces images.
Cette thèse aborde le développement de méthodes statistiques avancées pour le traitement d’images optiques multi-temporelles. Trois différentes familles de modèles d’apprentissage statistique ont été explorées et solutions aux problèmes fondamentaux pour la détection de changements sont proposées.
Les modèles développés dans cette thèse sont destinés à des applications dans trois différents problèmes de détection des changements. Dans un premier cas, l’analyse multi-temporelle se fait par la généralisation d’informations données par l’utilisateur au sein du modèle stastique. Cet approche est très précise et s’adapte bien à des situations de surveillance environnementale et/ou urbaine à haute résolution. Dans un deuxième cas, la méthode proposée est complètement automatique, ce qui permet d’obtenir des cartes fidèles dans un délai réduit.
Cet algorithme s’avère très utile lors de la cartographie d’un événement abrupt tel qu’une inondation ou un glissement de terrain. La dernière étude de la thèse propose une approche générale pour analyser simultanément des images provenant de différents types de capteurs, un problème pas traitables d’une façon classique.
Cette thèse démontre que les méthodes d’apprentissage statistique sont bien adaptées à la détection des changements de la surface de la Terre représentés par le biais d’images de télédétection. En générale, l’adoption de ces approches permet une augmentation de la précision de la détection des changements observés, tout en gardant un environnement de modélisation flexible et simple.
